小样本条件下潜艇机械噪声源的识别

• 作者: 何琳 徐荣武 章林柯 贲可荣
• 来源期刊: 机械工程学报
• 学科: 交通运输
• 关键词: 噪声源识别 神经网络 分类与回归树 集成学习
• 年，卷（期）: 2008,（7）
• 所属期刊栏目: 工程技术应用
• 页码范围: 151-160
• 页数: 10页
• 分类号: U674|TB53
• 字数: 7105字
• 语种: 中文
• DOI: 10.3321/j.issn:0577-6686.2008.07.026

摘要

辨识主要机械噪声源对于潜艇的噪声控制具有重要意义,但由于实际条件下测试的困难和昂贵的试验成本,通常难以获得足够多的训练样本,因此其本质上是一个小样本条件下的模式识别问题.为改善分类系统在小样本条件下的泛化性能,通过引入集成学习的BAGGING方法,分别与现有分类算法如分类与回归树(Classification and regression tree, CART)和物差反传训练(Back-propagation,BP)相结合,提出了B-CART和B-BP算法.进一步,考虑到实际测量中往往同时利用布置在艇体不同部位上的多个通道(加速度传感器、水听器等)来采集数据,以期获得更多关于噪声源的相关信息,基于此先验信息提出了B-CART-M和B-BP-M算法.在此基础上,首先分别对每个通道的数据进行BAGGING集成,并生成该通道的结论,然后对每个通道的结论进行二次投票,从而得到最终分类结果,得到了算法B-CART-M'和B-BP-M'.舱段模型试验结果表明,以上6种算法均能不同程度提高小样本条件下分类系统的性能,其中B-CART-M'和B-BP-M'效果最为明显;对同一算法而言,外壳数据的分类效果最好,远场数据的分类效果最差,内壳和近场数据的分类效果相差不多.给出了算法实际应用时的若干建议.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	何琳	海军工程大学振动与噪声研究所	212	1597	19.0	30.0
2	贲可荣	海军工程大学计算机工程系	96	531	13.0	18.0
3	章林柯	海军工程大学振动与噪声研究所	32	169	6.0	11.0
4	徐荣武	海军工程大学振动与噪声研究所	25	37	3.0	5.0